周正思,劉林,程鵬

(三峽大學(xué)電氣與新能源學(xué)院，湖北 宜昌 443002)

基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的GIS設(shè)備放電故障診斷

周正思,劉林,程鵬

(三峽大學(xué)電氣與新能源學(xué)院，湖北 宜昌 443002)

為有效GIS設(shè)備放電故障診斷的快速性和準(zhǔn)確性，采用近幾年出現(xiàn)的遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，減少了BP神經(jīng)網(wǎng)絡(luò)算法陷入局部最優(yōu)解的風(fēng)險(xiǎn)，顯著增強(qiáng)了BP神經(jīng)網(wǎng)絡(luò)的泛化能力和全局尋優(yōu)能力。對(duì)比發(fā)現(xiàn)，遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型具有比較好的快速性和準(zhǔn)確的診斷能力。測(cè)試結(jié)果表明，遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)對(duì)GIS設(shè)備放電故障診斷具有可行性和有效性。

GIS設(shè)備；BP算法；遺傳算法；放電故障診斷

1 引言

SF6電氣設(shè)備的故障主要有放電和過(guò)熱;根據(jù)放電能量的不同，放電又分為電弧放電、火花放電和電暈放電。放電和過(guò)熱均會(huì)促使SF6發(fā)生分解，SF6氣體在放電作用下分解的主要成分是SF4和電極或容器的金屬氧化物，在有水汽、氧存在時(shí)，SF4與其發(fā)生反應(yīng)而最終生成SOF2、SO2F2、SO2、HF等化合物。根據(jù)SF6分解物的組成成分和含量，判斷出放電故障[1]。

2 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的基本原理

2.1 BP神經(jīng)網(wǎng)絡(luò)的原理及算法

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。

BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)淙鐖D 1 所示，結(jié)構(gòu)包括輸入層、隱含層和輸出層，其中隱含層可一層，也可多層。輸入層與外部激勵(lì)打交道，由各輸入層神經(jīng)元傳遞給與之相連的隱含層神經(jīng)元;隱含層是網(wǎng)絡(luò)內(nèi)部處理單元的工作區(qū)域，中間層處理方式不同會(huì)影響模型的處理功能;輸出層將網(wǎng)絡(luò)結(jié)果輸出，與外部設(shè)備聯(lián)系。各神經(jīng)元與下一層所有的神經(jīng)元連接，同層神經(jīng)元之間無(wú)連接[2]。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在BP神經(jīng)網(wǎng)絡(luò)中，輸入神經(jīng)元以i編號(hào)，隱含層神經(jīng)元以j編號(hào)，輸出層神經(jīng)元以k編號(hào)。隱含層的第j個(gè)神經(jīng)元的輸入表示為：

(1)

第j個(gè)神經(jīng)元的輸出為：

結(jié)構(gòu)誤差辨識(shí)結(jié)果顯示，非線性化誤差模型、線性化誤差模型在不考慮測(cè)量誤差和考慮測(cè)量誤差時(shí)，其位置度誤差、位置誤差的辨識(shí)精度均在10-1 mm級(jí)別，主動(dòng)移動(dòng)副角度誤差的辨識(shí)精度均在10-3 rad。經(jīng)過(guò)對(duì)比發(fā)現(xiàn)，大部分結(jié)構(gòu)誤差的辨識(shí)精度變化幅度極小，僅8項(xiàng)結(jié)構(gòu)誤差變化幅度相對(duì)較大，如圖5a所示?？梢钥闯?，在位置誤差、位置度誤差辨識(shí)精度要求小于10-1 mm、主動(dòng)移動(dòng)副角度誤差辨識(shí)精度小于10-3 rad的情況下：

oj=g(netj)

(2)

輸出層第k個(gè)神經(jīng)元的輸入為：

(3)

相應(yīng)的輸出為：

ok=g(netk)

(4)

由此，隱含層和輸出層的各神經(jīng)元輸出應(yīng)為：

(5)

BP網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中的誤差反向傳播過(guò)程是通過(guò)使一個(gè)目標(biāo)函數(shù)(實(shí)際輸出與期望輸出之間的誤差平方和)最小化來(lái)完成的，可以利用梯度下降法導(dǎo)出計(jì)算公式。在學(xué)習(xí)過(guò)程中，設(shè)第k個(gè)輸出神經(jīng)元的期望輸出為tk，而網(wǎng)絡(luò)實(shí)際輸出為ok，則系統(tǒng)平均誤差為：

2.2 遺傳算法的基本思想

遺傳算法是一類借鑒生物界自然選擇和自然遺傳機(jī)制的隨機(jī)搜索算法，非常適用于處理傳統(tǒng)搜索算法難以解決的復(fù)雜和非線性優(yōu)化問(wèn)題。與傳統(tǒng)搜索算法不同，遺傳算法從隨機(jī)產(chǎn)生的初始值開(kāi)始搜索，通過(guò)一定的選擇、交叉、變異操作逐步迭代以產(chǎn)生新的解。群體中的每一個(gè)個(gè)體代表個(gè)體的一個(gè)解，稱為染色體，染色體的好壞用適用應(yīng)度來(lái)衡量，根據(jù)適用應(yīng)度的好壞從上一代個(gè)體中選擇一定數(shù)量的優(yōu)秀個(gè)體，通過(guò)交叉、變異形成下一代群體。經(jīng)過(guò)若干代的進(jìn)化后，算法收斂于最好的染色體，它就是問(wèn)題的最優(yōu)解或次優(yōu)解。

遺傳算法提供了求解非線性規(guī)劃的通用框架，它不依賴于問(wèn)題的具體領(lǐng)域。遺傳算法的優(yōu)點(diǎn)是將問(wèn)題參數(shù)編碼成染色體后進(jìn)行進(jìn)化，而不是針對(duì)參數(shù)本身，從而不受函數(shù)約束條件的限制；搜索過(guò)程從問(wèn)題的解的一個(gè)集合開(kāi)始，而不是單個(gè)個(gè)體，具有隱含并行搜索特性，可大大減少陷入局部最小的可能性。而且優(yōu)化計(jì)算時(shí)算法不依賴于梯度信息，且不要求目標(biāo)函數(shù)連續(xù)及可導(dǎo)，使其適于求解傳統(tǒng)搜索方法難以解決的大規(guī)模，非線性組合優(yōu)化問(wèn)題。

2.3 建立遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)思路及步驟

圖2 遺傳算法優(yōu)化 BP神經(jīng)網(wǎng)絡(luò)流程圖

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)主要成分：BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定、遺傳算法優(yōu)化的權(quán)值和閾值、BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練與預(yù)測(cè)。其中，BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)式根據(jù)樣本的輸入輸出參數(shù)的個(gè)數(shù)確定的，這樣就可以確實(shí)遺傳算法優(yōu)化參數(shù)的個(gè)數(shù)，從而確定種群個(gè)體的編碼長(zhǎng)度。因?yàn)檫z傳算法優(yōu)化參數(shù)是BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，只要網(wǎng)絡(luò)結(jié)構(gòu)已知，權(quán)值和閾值的個(gè)數(shù)就已知了。神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值一般通過(guò)隨機(jī)初始化的區(qū)間的隨機(jī)數(shù)，這個(gè)初始化參數(shù)對(duì)網(wǎng)絡(luò)訓(xùn)練的影響很大，但是有無(wú)法準(zhǔn)確獲得，對(duì)于相同的初始權(quán)重值和閾值，網(wǎng)絡(luò)訓(xùn)練結(jié)構(gòu)是一樣的，引入遺傳算法就是為了最佳的初始權(quán)值和閾值。

3 建立遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)診斷模型的確定

3.1 GIS設(shè)備放電故障診斷的模式識(shí)別與和訓(xùn)練

根據(jù)前文介紹，確定GIS設(shè)備BP神經(jīng)網(wǎng)絡(luò)放電故障診斷模型。本文根據(jù)SF6分解物的組成成分和含量，通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)GIS設(shè)備進(jìn)行故障診斷。根據(jù)文獻(xiàn)[6]三種放電類型所獲取試驗(yàn)數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)對(duì)于三種不同的放電類型，其比值SO2F2/SO2存在一定的規(guī)律性，電暈放電多集中于4.0～6.0甚至更高的范圍，火花放電多集中于2.0～3.5左右，電弧放電比值最小，多為0.1～0.3左右，比值SO2F2/SO2，隨放電劇烈程度增加而減小。氣體SO2與SO2F2，是發(fā)生放電故障時(shí)產(chǎn)量較高的氣體，且這兩種氣體均有較好的穩(wěn)定性，因此，取SO2F2、SO2、SO2F2/SO2這三組氣體組分含量及比值作為特征參量判斷放電類型。本文將SO2F2、SO2、SO2F2/SO2三組氣體組分含量及比值氣體含量作為輸入量。

在BP神經(jīng)網(wǎng)絡(luò)診斷模型中，GIS設(shè)備的各項(xiàng)參數(shù)配置如下：

(1)輸入節(jié)點(diǎn)：3個(gè)，代表SO2F2、SO2、SO2F2/SO2三組氣體組分含量及比值氣體含量;(2)輸出節(jié)點(diǎn)：3個(gè)，代表電暈放電、火花放電、電弧放電；(3)隱含層數(shù):1層;(4)隱含層節(jié)點(diǎn)數(shù)：7個(gè)，由于樣本輸入?yún)?shù)有3個(gè)，隱含層節(jié)點(diǎn)為2*3+1=7；(5)隱含層神經(jīng)元的傳遞函數(shù)采用S型正切函數(shù)tansig()，輸出層神經(jīng)元函數(shù)采用S型對(duì)數(shù)函數(shù)logsig()；(6)網(wǎng)絡(luò)訓(xùn)練方法：網(wǎng)絡(luò)訓(xùn)練是一個(gè)不斷修正權(quán)值和閾值的過(guò)程，通過(guò)訓(xùn)練，使得網(wǎng)絡(luò)的輸出誤差越來(lái)越小。訓(xùn)練函數(shù)采用trainlm；(7)最大學(xué)習(xí)次數(shù)：1000次；(8)訓(xùn)練精度：0.01；(9)學(xué)習(xí)率：η=0.1。訓(xùn)練樣本見(jiàn)表1。

表1 GIS設(shè)備狀態(tài)部分樣本數(shù)據(jù)

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)使用遺傳算法來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)重值和閾值，使優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)能夠更好地進(jìn)行樣本預(yù)測(cè)。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的要素包括種群初始化、適應(yīng)度函數(shù)、選擇算子、交叉算子和變異算子。

(1)種群初始化：個(gè)體編碼使用二進(jìn)制編碼，每個(gè)個(gè)體均為一個(gè)二進(jìn)制串，由輸入層與隱含層連接權(quán)值、隱含層閾值、隱含層與輸出值連接權(quán)值、輸出層閾值四部分組成，每個(gè)權(quán)值和閾值使用M位的二進(jìn)制編碼，將所有權(quán)值和閾值編碼連接起來(lái)即為一個(gè)個(gè)個(gè)體編碼。本文網(wǎng)絡(luò)結(jié)構(gòu)是3-7-3，所以權(quán)值和閾值的個(gè)數(shù)表如表2所示。

(2)適應(yīng)度函數(shù)：本文為使BP神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)時(shí)，預(yù)測(cè)值與期望值的殘差盡可能小，所以選擇預(yù)測(cè)樣本的預(yù)測(cè)值與期望值的誤差矩陣的范數(shù)作為目標(biāo)函數(shù)的輸出。適應(yīng)度函數(shù)采用排序的適應(yīng)度分配函數(shù)：FintV=rankong(obj),其中obj為目標(biāo)函數(shù)的輸出。

(3)選擇算子：選擇算子采用隨機(jī)遍歷抽樣(sus)。

(4)交叉算子：交叉算子采用最簡(jiǎn)單的單點(diǎn)交叉算子。

(5)變異算子：變異以一定概率產(chǎn)生變異基因數(shù)，用隨機(jī)方法選出發(fā)生變異基因。如果所選的基因的編碼為1，則變?yōu)?；反之，則變?yōu)?。本文遺傳算法運(yùn)行參數(shù)設(shè)定如表3所示。

表3 遺傳算法參數(shù)

3.2 GIS設(shè)備故障診斷測(cè)試

經(jīng)過(guò)訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)，將測(cè)試樣本作為BP神經(jīng)網(wǎng)絡(luò)測(cè)試的輸入樣本P，利用sin()函數(shù)調(diào)用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)并對(duì)這些數(shù)據(jù)進(jìn)行仿真測(cè)試，從而檢驗(yàn)遺傳算法優(yōu)化BP網(wǎng)絡(luò)的診斷能力。運(yùn)行程序，得到進(jìn)化曲線圖如圖3所示。

本文選用隨機(jī)權(quán)值和閾值BP神經(jīng)網(wǎng)絡(luò)和遺傳算法優(yōu)化后的權(quán)值和閾值的BP神經(jīng)網(wǎng)絡(luò)兩種情況對(duì)GIS設(shè)備故障數(shù)據(jù)進(jìn)行訓(xùn)練測(cè)試，得出訓(xùn)練誤差曲線圖(圖4是BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練曲線;圖5是遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練曲線)。

圖3 誤差進(jìn)化曲線

由圖1、圖2可得，BP神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)46代的訓(xùn)練達(dá)到期望誤差，經(jīng)遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)12代的訓(xùn)練即可達(dá)到期望誤差。對(duì)比圖1、圖2可知，經(jīng)遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)可以迅速的達(dá)到期望誤差，顯著地加快了訓(xùn)練速度。

4 結(jié)語(yǔ)

本文提出了一種基于遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化的方法，將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了結(jié)合，利用遺傳算法的全局搜索能力，防止BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練中陷入局部最優(yōu)。對(duì)BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化，減小了訓(xùn)練時(shí)間，提高了訓(xùn)練效率。將該方法應(yīng)用到了GIS設(shè)備放電故障診斷中去，結(jié)合試驗(yàn)數(shù)據(jù)對(duì)其進(jìn)行了驗(yàn)證。驗(yàn)證結(jié)果表明，由遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)的模型比BP神經(jīng)網(wǎng)絡(luò)的模型具有更高的準(zhǔn)確性和快速性，而且精度更高，能夠有效的對(duì)GIS設(shè)備故障類型進(jìn)行診斷。

[1] 劉曼.基于SF_6分解物分析電氣設(shè)備診斷研究[D].湖南:湖南大學(xué),2013.

[2] 朱大奇,史惠.人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用[M].北京:利一學(xué)出版社,2006.

[3] 王旭,王宏.王文輝.人工神經(jīng)元網(wǎng)絡(luò)原理與應(yīng)用[M].沈陽(yáng):東北大學(xué)出版社,2000.

[4] 田景文,高美娟.人工神經(jīng)網(wǎng)絡(luò)算法研究及應(yīng)用[[M].北京:北京理工大學(xué)出版社,2006.

[5] 林香，姜青山，熊騰科.一種基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型[D].廈門:廈門大學(xué)軟件學(xué)院,2006.

[6] 段侯封.基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的變壓器設(shè)備故障診斷[D].北京:北京交通大學(xué)，2008.

[7] 馬光志.多代價(jià)敏感的反傳神經(jīng)網(wǎng)絡(luò)優(yōu)化研究[D]武漢：華中科技大學(xué),2009

[8] 李蓉.神經(jīng)網(wǎng)絡(luò)在缺陷接地結(jié)構(gòu)最優(yōu)化設(shè)計(jì)中的應(yīng)用研究[D]天津：天津大學(xué)，2007

[9] 張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)[M].北京：機(jī)械工業(yè)出版社，2009.

[10] KARIMINEZHAD H,PARVIN P,BORNA F,et al.SF6Leak Detec-tion of High-Voltage Installations Using TEA-CO2Laser-Based DIAL[J].Optics and Lasers in Engineering，2010，48：491-499.

Discharge Fault Diagnosis of GIS Equipment of Optimum BP Neural Network Based on Genetic Algorithm

ZHOUZheng-si,LIULin,CHENGPeng

(College of Electrical and New Energy,Sanxia University,Yichang 443002,China)

For the effective discharge of GIS equipment for fault diagnosis of speed and accuracy,using newly developed genetic algorithm for BP neural network optimized BP neural network algorithm is reduced local optimal solutions risks significantly enhances the generalization ability of BP neural network and a global optimization.The comparison,genetic algorithm optimized BP neural network model compared well with the rapid and accurate diagnostic capability.Test results show that the discharge of GIS equipment based on genetic algorithm optimized BP neural network fault diagnosis is feasible and effective.

GIS equipment;BP algorithm;genetic algorithm;fault diagnosis

1004-289X(2016)03-0037-04

TP18

B

2015-09-13

周正思(1991-)，男，江西上饒人，碩士研究生，主要從事電力系統(tǒng)運(yùn)行與控制，智能變電站二次。